基于ROF的短期風速極端學習機集成預測

敖培++李賀++李懷芝++趙四方++馮志鵬

摘要：為了對風速進行準確的預測，本文提出一種基于ROF的ELM集成預測算法，即采用ROF算法產(chǎn)生差異性訓練數(shù)據(jù)訓練多個個體ELM，然后利用加權平均的方法集成各個體ELM的預測結果。實驗表明，與個體預測模型相比，該算法有更高的預測精度。

關鍵詞：旋轉森林 極端學習機 短期風速預測

中圖分類號：TM715 文獻標識碼：A 文章編號：1007-9416（2014）08-0097-01

1 引言

對風電場風速的準確預測，可以減少電力系統(tǒng)的運行成本和旋轉備用，提高風電穿透功率極限。本文提出一種基于ROF的極端學習機集成預測算法提高風電場風速預測的準確性。通過對某風電場四個季節(jié)中4天24小時的風速預測結果表明，所提出的算法能有效提高預測精度。

2 極端學習機

極端學習機[1]（ELM，Extreme Learning Machine）在隨機給定輸入權值與神經(jīng)元參數(shù)的基礎上，將傳統(tǒng)前饋神經(jīng)網(wǎng)絡參數(shù)訓練問題轉化為求解線性方程組，以直接計算輸出權值的最小二乘解的方式完成網(wǎng)絡訓練過程。

3 旋轉森林算法

旋轉森林[2]（ROF，Rotation Forest）主要是對集成分類器的原始樣本特征進行處理，通過一定的特征提取變換獲得集成所需的新樣本，并且在保證分類準確性的前提下，增加集成分類器個體間的差異性。

4 基于ROF的極端學習機集成預測算法

首先，利用經(jīng)過ROF得到的新訓練集作為輸入輸出來訓練多個ELM神經(jīng)網(wǎng)絡，并將各ELM神經(jīng)網(wǎng)絡的預測結果進行綜合，以得到最終的分類結果。具體步驟如下：

已知：訓練數(shù)據(jù)集，；為集成算法中ELM神經(jīng)網(wǎng)絡的個數(shù)；為子集個數(shù)；最大迭代次數(shù)給定為。

FOR準備旋轉矩陣；將特征集分為個子集：。

FOR采用主成分分析變換對每個子集進行特征提取得到主成分系數(shù)，進而得到重新排列后的特征向量矩陣。

訓練ELM網(wǎng)絡，以作為每個ELM網(wǎng)絡的訓練集，并給定激活函數(shù)，隱層節(jié)點數(shù)。

隨機給定輸入權值以及隱層偏置值，。計算隱層輸出矩陣和輸出權值。

計算ELM個體網(wǎng)絡在每個訓練樣本上的誤差，計算各個體網(wǎng)絡在集成預測模型中的權值，集成預測模型的輸出為。

5 基于ROF的短期風速極端學習機集成預測

本文選取某風電場采樣時間間隔1小時的預測期前的800個實測風速數(shù)據(jù)為訓練樣本，分別對當年4個季節(jié)中的4天24小時的風速值進行預測。按照第4節(jié)算法步驟進行預測，個體ELM網(wǎng)絡個數(shù)選擇為10個。將本文方法與兩種單項預測模型預測結果進行比較，本文所提出方法MAE和MAPE均較小，如表1所示。

6 結語

為了增強訓練數(shù)據(jù)的差異性，本文提出一種基于ROF的ELM集成預測算法預測風電場風速，算法運用ROF算法訓練集成算法中的個體ELM，并采用加權平均的方法對個體ELM的預測結果進行綜合，實驗結果表明，本文所提出算法有效的提高了風速的預測精度。

參考文獻

[1]YU Q， MICHE Y， EIROLA E， et al. Regularized extreme learning machine for regression with missing data [J].Neurocomputing，2013，102：45-51.

[2]毛莎莎，熊霖， 焦李成等.利用旋轉森林變換的異構多分類器集成算法[J].西安電子科技大學學報（自然科學版），2014，41（5）：55-61.endprint

摘要：為了對風速進行準確的預測，本文提出一種基于ROF的ELM集成預測算法，即采用ROF算法產(chǎn)生差異性訓練數(shù)據(jù)訓練多個個體ELM，然后利用加權平均的方法集成各個體ELM的預測結果。實驗表明，與個體預測模型相比，該算法有更高的預測精度。

關鍵詞：旋轉森林 極端學習機 短期風速預測

中圖分類號：TM715 文獻標識碼：A 文章編號：1007-9416（2014）08-0097-01

1 引言

對風電場風速的準確預測，可以減少電力系統(tǒng)的運行成本和旋轉備用，提高風電穿透功率極限。本文提出一種基于ROF的極端學習機集成預測算法提高風電場風速預測的準確性。通過對某風電場四個季節(jié)中4天24小時的風速預測結果表明，所提出的算法能有效提高預測精度。

2 極端學習機

極端學習機[1]（ELM，Extreme Learning Machine）在隨機給定輸入權值與神經(jīng)元參數(shù)的基礎上，將傳統(tǒng)前饋神經(jīng)網(wǎng)絡參數(shù)訓練問題轉化為求解線性方程組，以直接計算輸出權值的最小二乘解的方式完成網(wǎng)絡訓練過程。

3 旋轉森林算法

旋轉森林[2]（ROF，Rotation Forest）主要是對集成分類器的原始樣本特征進行處理，通過一定的特征提取變換獲得集成所需的新樣本，并且在保證分類準確性的前提下，增加集成分類器個體間的差異性。

4 基于ROF的極端學習機集成預測算法

首先，利用經(jīng)過ROF得到的新訓練集作為輸入輸出來訓練多個ELM神經(jīng)網(wǎng)絡，并將各ELM神經(jīng)網(wǎng)絡的預測結果進行綜合，以得到最終的分類結果。具體步驟如下：

已知：訓練數(shù)據(jù)集，；為集成算法中ELM神經(jīng)網(wǎng)絡的個數(shù)；為子集個數(shù)；最大迭代次數(shù)給定為。

FOR準備旋轉矩陣；將特征集分為個子集：。

FOR采用主成分分析變換對每個子集進行特征提取得到主成分系數(shù)，進而得到重新排列后的特征向量矩陣。

訓練ELM網(wǎng)絡，以作為每個ELM網(wǎng)絡的訓練集，并給定激活函數(shù)，隱層節(jié)點數(shù)。

隨機給定輸入權值以及隱層偏置值，。計算隱層輸出矩陣和輸出權值。

計算ELM個體網(wǎng)絡在每個訓練樣本上的誤差，計算各個體網(wǎng)絡在集成預測模型中的權值，集成預測模型的輸出為。

5 基于ROF的短期風速極端學習機集成預測

本文選取某風電場采樣時間間隔1小時的預測期前的800個實測風速數(shù)據(jù)為訓練樣本，分別對當年4個季節(jié)中的4天24小時的風速值進行預測。按照第4節(jié)算法步驟進行預測，個體ELM網(wǎng)絡個數(shù)選擇為10個。將本文方法與兩種單項預測模型預測結果進行比較，本文所提出方法MAE和MAPE均較小，如表1所示。

6 結語

為了增強訓練數(shù)據(jù)的差異性，本文提出一種基于ROF的ELM集成預測算法預測風電場風速，算法運用ROF算法訓練集成算法中的個體ELM，并采用加權平均的方法對個體ELM的預測結果進行綜合，實驗結果表明，本文所提出算法有效的提高了風速的預測精度。

參考文獻

[1]YU Q， MICHE Y， EIROLA E， et al. Regularized extreme learning machine for regression with missing data [J].Neurocomputing，2013，102：45-51.

[2]毛莎莎，熊霖， 焦李成等.利用旋轉森林變換的異構多分類器集成算法[J].西安電子科技大學學報（自然科學版），2014，41（5）：55-61.endprint

摘要：為了對風速進行準確的預測，本文提出一種基于ROF的ELM集成預測算法，即采用ROF算法產(chǎn)生差異性訓練數(shù)據(jù)訓練多個個體ELM，然后利用加權平均的方法集成各個體ELM的預測結果。實驗表明，與個體預測模型相比，該算法有更高的預測精度。

關鍵詞：旋轉森林 極端學習機 短期風速預測

中圖分類號：TM715 文獻標識碼：A 文章編號：1007-9416（2014）08-0097-01

1 引言

對風電場風速的準確預測，可以減少電力系統(tǒng)的運行成本和旋轉備用，提高風電穿透功率極限。本文提出一種基于ROF的極端學習機集成預測算法提高風電場風速預測的準確性。通過對某風電場四個季節(jié)中4天24小時的風速預測結果表明，所提出的算法能有效提高預測精度。

2 極端學習機

極端學習機[1]（ELM，Extreme Learning Machine）在隨機給定輸入權值與神經(jīng)元參數(shù)的基礎上，將傳統(tǒng)前饋神經(jīng)網(wǎng)絡參數(shù)訓練問題轉化為求解線性方程組，以直接計算輸出權值的最小二乘解的方式完成網(wǎng)絡訓練過程。

3 旋轉森林算法

旋轉森林[2]（ROF，Rotation Forest）主要是對集成分類器的原始樣本特征進行處理，通過一定的特征提取變換獲得集成所需的新樣本，并且在保證分類準確性的前提下，增加集成分類器個體間的差異性。

4 基于ROF的極端學習機集成預測算法

首先，利用經(jīng)過ROF得到的新訓練集作為輸入輸出來訓練多個ELM神經(jīng)網(wǎng)絡，并將各ELM神經(jīng)網(wǎng)絡的預測結果進行綜合，以得到最終的分類結果。具體步驟如下：

已知：訓練數(shù)據(jù)集，；為集成算法中ELM神經(jīng)網(wǎng)絡的個數(shù)；為子集個數(shù)；最大迭代次數(shù)給定為。

FOR準備旋轉矩陣；將特征集分為個子集：。

FOR采用主成分分析變換對每個子集進行特征提取得到主成分系數(shù)，進而得到重新排列后的特征向量矩陣。

訓練ELM網(wǎng)絡，以作為每個ELM網(wǎng)絡的訓練集，并給定激活函數(shù)，隱層節(jié)點數(shù)。

隨機給定輸入權值以及隱層偏置值，。計算隱層輸出矩陣和輸出權值。

計算ELM個體網(wǎng)絡在每個訓練樣本上的誤差，計算各個體網(wǎng)絡在集成預測模型中的權值，集成預測模型的輸出為。

5 基于ROF的短期風速極端學習機集成預測

本文選取某風電場采樣時間間隔1小時的預測期前的800個實測風速數(shù)據(jù)為訓練樣本，分別對當年4個季節(jié)中的4天24小時的風速值進行預測。按照第4節(jié)算法步驟進行預測，個體ELM網(wǎng)絡個數(shù)選擇為10個。將本文方法與兩種單項預測模型預測結果進行比較，本文所提出方法MAE和MAPE均較小，如表1所示。

6 結語

為了增強訓練數(shù)據(jù)的差異性，本文提出一種基于ROF的ELM集成預測算法預測風電場風速，算法運用ROF算法訓練集成算法中的個體ELM，并采用加權平均的方法對個體ELM的預測結果進行綜合，實驗結果表明，本文所提出算法有效的提高了風速的預測精度。

參考文獻

[1]YU Q， MICHE Y， EIROLA E， et al. Regularized extreme learning machine for regression with missing data [J].Neurocomputing，2013，102：45-51.

[2]毛莎莎，熊霖， 焦李成等.利用旋轉森林變換的異構多分類器集成算法[J].西安電子科技大學學報（自然科學版），2014，41（5）：55-61.endprint